针对传统无监督哈希图像检索模型中存在图像数据之间的语义信息学习不足，以及哈希编码长度每换一次模型就需重新训练的问题，提出一种用于大规模图像数据集检索的无监督搜索框架——基于相关度距离的无监督并行哈希图像检索模型。首先，使用卷积神经网络（CNN）学习图像的高维特征连续变量；然后，使用相关度距离衡量特征变量构建伪标签矩阵，并将哈希函数与深度学习相结合；最后，在哈希码生成时使用并行方式逐步逼近原始视觉特征，达到一次训练生成多长度哈希码的目的。实验结果表明，该模型在FLICKR25K数据集上对16 bit、32 bit、48 bit和64 bit的4种不同哈希码的平均精度均值（mAP）分别为0.726、0.736、0.738和0.738，与SSDH模型相比分别提升了9.4、8.2、6.2、7.3个百分点；而在训练时间方面，该模型与SSDH模型相比减少6.6 h。所提模型在大规模图像检索时能够有效缩短训练时间、提升检索精度。